CN102063715A - 基于nsct和粒子群优化算法的台风云图融合方法 - Google Patents
基于nsct和粒子群优化算法的台风云图融合方法 Download PDFInfo
- Publication number
- CN102063715A CN102063715A CN 201010620881 CN201010620881A CN102063715A CN 102063715 A CN102063715 A CN 102063715A CN 201010620881 CN201010620881 CN 201010620881 CN 201010620881 A CN201010620881 A CN 201010620881A CN 102063715 A CN102063715 A CN 102063715A
- Authority
- CN
- China
- Prior art keywords
- nsct
- image
- typhoon
- cloud atlas
- fusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000002245 particle Substances 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 230000009466 transformation Effects 0.000 title claims abstract description 24
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims description 43
- 238000005070 sampling Methods 0.000 claims description 39
- 230000003044 adaptive effect Effects 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- PTLRDCMBXHILCL-UHFFFAOYSA-M sodium arsenite Chemical compound [Na+].[O-][As]=O PTLRDCMBXHILCL-UHFFFAOYSA-M 0.000 claims description 10
- 239000004744 fabric Substances 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 9
- 238000013519 translation Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明的目的是提供一种基于非下抽样Contourlet变换(NSCT)和粒子群优化算法的多通道台风云图融合方法。将多通道台风云图进行NSCT后的低频、高频系数分别进行融合后,再进行NSCT的逆变换,尤其在高频系数处理时,同时考虑了信息熵(E)、平均梯度(G)和信噪比(S)这些参数的影响,在融合后图像上能够更清晰地保持台风眼和云系细节信息。由于采用了本发明所述的技术方案,能够很好的实现多通道台风云图融合,充分融合各个通道的有用信息,最大限度的保留各个通道的细节并对噪声有较好的鲁棒性即抗干扰性。不仅在图像信息丰富程度上比传统图像融合方法好,而且能够保持融合后图像的清晰度,这将对融合后图像的后续工作起到很大的帮助。
Description
技术领域
本发明属于气象预测领域。具体来说,涉及一种以提高台风中心定位精度为目的的基于非下抽样Contourlet变换(NSCT)和粒子群优化(PSO)算法的台风云图融合方法。
背景技术
我国是受台风灾害影响严重的国家,台风中心位置的确定是分析预报台风的重要环节,也是我国目前业务上最关心、最迫切需要解决的问题之一。用飞机、雷达测定台风中心位置受各种条件和探测距离的限制。而卫星可以观测到台风的全貌,更利于确定台风的中心。目前,国内外使用的基于卫星云图的台风定位方法主要基于单幅云图或多幅相关云图进行定位。基于单幅云图的台风中心定位是围绕着静态云图中台风的三大特征(密闭云墙,螺旋云带和眼区)来实现的。然而,单幅云图受图像信噪比、分辨率和时间、频段的局限,信息量较小。多幅相关云图反映了一定时间内云系运动的变化情况,包含的信息量远大于单幅云图。但目前基于多幅相关云图进行台风中心定位的方法基本上都是利用单通道的云图进行的,其所包含的信息非常有限。如何充分提取多幅多通道卫星云图的客观信息,并应用于台风中心定位是值得研究的科学问题。台风云系的不同特征分别体现在不同通道的云图中。如果将台风云系在不同通道云图中的特征融合到一幅图像中,就能充分利用多光谱图像不同通道的信息来更好的提取台风特征,进一步提高后续的基于卫星云图的台风中心定位的精度。
目前,图像融合分像素级融合、特征级融合和决策级融合三个层次。以像素级融合方法为例,主要包括加权平均法、主分量分析法、颜色空间融合方法和多尺度融合法,其中以后者最优。对于多尺度融合法而言,算法的有效性主要由多尺度分解方法和融合策略决定。在多尺度分解方法方面,主要有高通滤波器组、拉普拉斯塔式法、梯度塔式法和小波多尺度法。上述的多数的传统的图像融合方法由于融合图像存在较大光谱失真,已经很少单纯应用这些算法。其中以小波多尺度融合法将之上述其他方法更为有效,成为目前图像融合领域的主流方法和热点。在融合策略方面,主要有平均法、最大值法和区域能量法等,其中以区域能量法为优。虽然小波变换在信号处理领域取得了巨大的成功,但将其应用到二维图像处理时,仍旧存在一些不足。主要在于传统的小波变换不具备平移不变特性,即在小波分析的子带间有频谱混叠现象,当输入图像平移后小波系数的能量会在子带间重新分配;其次,普通小波变换的高频子带只具有3个方向,不能有效表达二维图像具备的各个方向的纹理特征。针对这些问题,人们提出了各种新的小波分析方法,部分地解决了这些不足。如目前广泛使用的A Trous算法,取消了小波分解的降采样过程而具备平移不变性,但由于采用的是二维全向高频滤波器,得到的高频细节依然缺乏方向性;另一方面,近年来提出的多尺度几何分析方法能够有效克服小波变换上述的缺点,代表性的有脊波(Ridgelet)变换、曲波(Curvelet)变换和廓波(Contourlet)变换等。脊波变换通过Radon变换把图像中线特征转换成点特征,然后通过小波变换特将点的奇异性检测出来。其处理过程克服了小波仅仅能反映“过”边缘的特征,而无法表达“沿”边缘的特征。脊波变换具有很强的方向性,可以有效地表示信号中具有方向性的奇异性特征,如图像的线性轮廓等,为融合图像提供更多的信息。脊波变换较小波变换具有更好的稀疏性,克服了小波变换中传播重要特征在多个尺度上的缺点,变换后能量更加集中,所以在融合过程中抑制噪声的能力比小波变换更强。Curvelet变换是由Candes提出的Ridgelet变换演变而来的。Ridgelet变换对含有直线奇异的多变量函数有很好的逼近效果,能稀疏地表示包含直线边缘的分片光滑图像。但是对于含有曲线奇异的图像,Ridgelet变换的逼近性能只与小波变换相当。由于多尺度Ridgelet变换冗余度很大,Candes和Donoho在1999年提出了曲波(Curvelet)变换理论,即第一代Curvelet变换。由于第一代Curvelet变换的数字实现比较复杂,且Curvelet金字塔的分解也带来了巨大的数据冗余量,为此,Candes等人又提出了实现简单、更便于理解的快速Curvelet变换算法,即第二代Curvelet变换。第二代Curvelet与Ridgelet理论并没有关系,实现过程也无需用到Ridgelet,两者之间的相同点仅在于紧支撑、框架等抽象的数学意义。在继承Curvelet变换各向异性尺度关系的基础上,Donoho和Vetterli提出一种新的图像二维表示方法:Contourlet变换。但是由于存在降采样过程,不具备平移不变性。针对Contourlet变换的这些缺陷,Cunha、Zhou和Do提出了具有平移不变性的Contourlet变换NonsubsampledContourlet变换。目前,多尺度几何分析方法已经被应用于图像融合领域,并取得了良好的效果。Nonsubsampled Contourlet(NSCT)变换由非抽样塔式分解和非抽样方向滤波器组实现,是一种具有平移不变性的多尺度、多方向图像分析方法,能有效地捕捉图像的几何信息。NSCT变换由于没有下抽样与上采样过程,因而具有平移不变性。同时由于分解过程中没有进行下抽样操作故NSCT变换是一个冗余变换。因此,NSCT的数据运算量大,耗时多,因此研究NSCT的快速实现方法,以及如何根据NSCT系数的特点和图像特点制定有效的融合规则都将是未来的研究重点。
发明内容
本发明的目的是提供一种基于NSCT和粒子群优化算法的台风云图融合方法。将至少2幅台风云图进行NSCT后的低频、高频系数分别进行融合后,再进行NSCT的逆变换,尤其在高频系数处理时,同时考虑了信息熵(E)、平均梯度(G)和信噪比(S)这些参数的影响,在融合后图像上能够更清晰地保持台风眼和云系细节信息。
为了达到所述目的,本发明基于NSCT和粒子群优化算法的台风云图融合方法,具体步骤如下:
步骤1.对台风云图A和台风云图B进行精确的配准;
步骤2.分别对台风云图A和台风云图B进行NSCT,得到NSCT域相应图像的低频和高频变换系数;
步骤3.对变换后得到的低频系数进行常规的平均方法融合处理:
步骤4.对待融合图像变换的高频系数图像首先计算其信息熵(E)、平均梯度(G)和信噪比(S),然后用粒子群算法,即PSO优化算法求解最大值,根据具体的问题通过设定好粒子群初始化种群规模,最大进化代数和速度更新倍数等参数来匹配参数并得到相应的权重参数a,b,c,对待融合图像的对应层的高频系数图像的优化最大值进行比较,将较大的优化最值对应的高频系数作为最终融合图像对应层的高频系数,最后得到最终的融合高频系数。其中PSO算法的适应值按照下式构造:
f(a,b,c)=a×E+b×G+c×S
其中:权重参数a,b,c均在0-1之间且a+b+c=1;。E,G,S都是归一化后的对应值;
步骤5.对融合后的高频系数和低频系数进行NSCT逆变换,进行图像重构,所得到的重构图像即为融合图像。
优选的,所述台风云图A和台风云图B进行精确的配准所采用的是基于曲率形状表示和粒子群算法的图像配准方法,其主要步骤包括:
步骤1:通过CSS角点检测方法对参考图像和待配准图像提取特征角点;
步骤2:用各图像的特征角点的角度信息,灰度信息,相对距离信息以及归一化互相关信息来实现参考图像和待配准图像特征角点的匹配;
步骤3:应用粒子群算法对两幅图像的匹配角点对来精确求取参考图像和待配准图像的配准仿射变换参数,实现两幅图像的配准。
优选的,所述融合方法的步骤2中的NSCT由非抽样塔式结构和非抽样方向滤波器组构成,非抽样塔式结构的基本结构单元为一个双通道的非抽样滤波器组,为了用非抽样塔式结构实现对2维信号的多尺度分解,通过迭代使用非抽样的二通道滤波器组实现信号的塔式分解,对于第2级分解,通过对二通道滤波器组中所有的滤波器系数沿行、列方向进行二插值得到,一个k级的非抽样塔式分解结构其等效的滤波器为
为该滤波器的传递函数,其中k为滤波器的级数,zj表示H0(z)及H1(z)为对应的低通、高通2维滤波器传递函数,这些滤波器实现了图像多分辨率分解。通过迭代使用双通道非抽样滤波器组实现非抽样塔式分解,对于上抽样后的滤波器组虚线框内为其有效频谱特性。
非抽样的方向滤波器组也是一个双通道的非抽样滤波器结构,方向滤波器组用于实现信号的多方向分解,高层的方向分解较为复杂。NSCT变换的流程是首先由非抽样塔式结构将输入2维信号分解为一个高频子带,一个低频子带,用非抽样方向滤波器组结构将高频子带分解为几个方向子带。类似的分解步骤可以在非抽样塔式结构输出的低频子带上反复进行实现非抽样的Contourlet变换。塔式结构的高频子带上的方向分解数必须是2的整数次幂,不同尺度的方向分解可以有不同的方向数。NSCT变换由于没有下抽样与上采样过程,因而具有平移不变性。同时由于分解过程中没有进行下抽样操作NSCT变换是一个冗余变换,然而,冗余变换设计更为灵活、简便,并在很多应用如图像的去噪、增强中,冗余变换优于非冗余变换。
优选的,所述融合方法的步骤4中用粒子群算法,即PSO优化算法求解最大值具体的步骤如下:
1)初始化一个规模为N的粒子群,设定初始位置和速度;初始位置是通过初化归一化后的信息熵(E)、平均梯度(G)和信噪比(S)的范围确定的。初始速度是通过归一化后的精度来确定的。
2)计算每个粒子的适应值;该值由归一化和值确定。
3)对每个粒子将其适应值和其经历过的最大值位置的适应值进行比较,若较大,则将其作为当前最大值位置;
4)对每个粒子将其适应值和全局经历过的最大值位置的适应值进行比较,若较大,则将其作为当前全局最大值位置;
5)对当前所有粒子的位置和速度进行更新;
6)如果达到预定进化代数后,则输出解,否则返回2)。优选的,粒子群算法采用如下配置:种群规模N为60,进化代数为100,最大限制速度为0.3,速度更新倍数为2。
优选的,所述步骤的分解过程中向量为非抽样的Contourlet变换分解三层,每层对应的方向数目为{0,2,4},滤波器采用锥体滤波方向滤波器组。
由于采用了本发明所述的技术方案,能够很好的实现多通道台风云图融合,充分融合各个通道的有用信息,最大限度的保留各个通道的细节并对噪声有较好的鲁棒性即抗干扰性。不仅在图像信息丰富程度上比传统方法好,而且能够保持融合后图像的清晰度,这将对融合后图像的待续工作起到很大的帮助。
附图说明
图1为本发明基于NSCT和粒子群优化算法的台风云图融合方法的流程示意图;
图2为2007年8月16日6点00分(北京时间)中国风云2号C卫星发回来的卫星云图红外通道1台风云图和可见光台风云图的部分截取图像;
图3为分解图2中卫星云图红外通道台风云图的第二层第一个方向的优化适应值曲线;
图4为本发明以及现有技术中各种方法对图2中的风云图进行融合处理后的图像比较。
图5为2007年8月16日4点30分(北京时间)中国风云2号C卫星发回来的卫星云图红外通道2台风云图和可见光台风云图的部分截取图像。
图6为分解图5中卫星云图红外通道台风云图的第二层第一个方向的优化适应值曲线;
图7为本发明以及现有技术中各种方法对图5中的风云图进行融合处理后的图像比较。
具体实施方式
本发明提出一种基于NSCT和粒子群优化算法(PSO)相结合的图像融合方法,该方法在NSCT的基础上得到待融合图像的高频系数和低频系数,然后对每层高频系数图像通过构造一个关于图像信息熵,平均梯度和信噪比的函数,并分别为信息熵,平均梯度和信噪比设置权重,最后通过PSO来优化该函数使其达到最大值,通过比较两幅待融合图像对应相同的高频系数图像的优化函数的最大值并选择比较的最大值对应的高频系数作为最终融合图像对应的高频系数层。对于低频系数则是通过一般的均值求和的方法来实现最终的融合图像的低频系数。最后,对融合后的高频系数和低频系数通过NSCT逆变换得到最终的融合图像。
如图1所示为本发明基于NSCT和粒子群优化算法的台风云图融合方法的流程示意图。基于NSCT和粒子群优化算法的台风云图融合方法,
具体步骤如下:
步骤1.对台风云图A和台风云图B进行精确的配准;
步骤2.分别对台风云图A和台风云图B进行NSCT,得到NSCT域相应图像的低频和高频变换系数;
步骤3.对变换后得到的低频系数进行常规的平均方法融合处理:
步骤4.对待融合图像变换的高频系数图像首先计算其信息熵(E)、平均梯度(G)和信噪比(S),然后用粒子群算法,即PSO优化算法求解最大值,根据具体的问题通过设定好粒子群初始化种群规模,最大进化代数和速度更新倍数等参数来匹配参数并得到相应的权重参数a,b,c,对待融合图像的对应层的高频系数图像的优化最大值进行比较,将较大的优化最值对应的高频系数作为最终融合图像对应层的高频系数,最后得到最终的融合高频系数。其中PSO算法的适应值按照下式构造:
f(a,b,c)=a×E+b×G+c×S
其中:权重参数a,b,c均在0-1之间且a+b+c=1;E,G,S都是归一化后的对应值;
步骤5.对融合后的高频系数和低频系数进行NSCT逆变换,进行图像重构,所得到的重构图像即为融合图像。
其中所述台风云图A和台风云图B进行精确的配准所采用的是基于曲率形状表示和粒子群算法的图像配准方法,其主要步骤包括:
步骤1:通过CSS角点检测方法对参考图像和待配准图像提取特征角点;
步骤2:用各图像的特征角点的角度信息,灰度信息,相对距离信息以及归一化互相关信息来实现参考图像和待配准图像特征角点的匹配;
步骤3:应用粒子群算法对两幅图像的匹配角点对来精确求取参考图像和待配准图像的配准仿射变换参数,实现两幅图像的配准。
而所述的融合方法的步骤2中的NSCT由非抽样塔式结构和非抽样方向滤波器组构成,非抽样塔式结构的基本结构单元为一个双通道的非抽样滤波器组,为了用非抽样塔式结构实现对2维信号的多尺度分解,通过迭代使用非抽样的二通道滤波器组实现信号的塔式分解,对于第2级分解,通过对二通道滤波器组中所有的滤波器系数沿行、列方向进行二插值得到,一个k级的非抽样塔式分解结构其等效的滤波器为
所述融合方法的步骤4中用粒子群算法,即PSO优化算法求解最大值具体的步骤如下:
1)初始化一个规模为N的粒子群,设定初始位置和速度;
2)计算每个粒子的适应值;
3)对每个粒子将其适应值和其经历过的最大值位置的适应值进行比较,若较大,则将其作为当前最大值位置;
4)对每个粒子将其适应值和全局经历过的最大值位置的适应值进行比较,若较大,则将其作为当前全局最大值位置;
5)对当前所有粒子的位置和速度进行更新;
6)如果达到预定进化代数后,则输出解,否则返回2)。
为了验证该算法的有效性和优越性,将所提出的融合算法与平均融合算法、像素值取大(MaximumGrayscale,MXG)法、像素值取小(Minimum Grayscale,MNG)法、拉普拉斯金字塔(Laplacian Pyramid,LP)法、DBSS小波变换法和离散Contourlet变换图像融合方法等常见的红外图像与可见光图像融合算法进行对比实验。
实施例1:
如图2所示,我们选取来源于2007年8月16日6点00分(北京时间)中国风云2号C卫星发回来的卫星云图红外通道1台风云图和可见光台风云图的部分截取图像作为原图进行融合处理。通过MATLAB 7.0将其处理为数字图像,大小都是200×200像素。其中每个像素点用数字表示其亮度。数字越大说明该点越亮,越显示白色。
我们分别对台风云图A和台风云图B进行NSCT,所述步骤的分解过程中向量为非抽样的Contourlet变换分解三层,每层对应的方向数目为{0,2,4},滤波器采用锥体滤波方向滤波器组。
最后得到相应图像的低频和高频变换系数;对变换后得到的低频系数进行常规的平均方法融合处理:
其中粒子群算法采用如下配置:种群规模N为60,进化代数为100,最大限制速度为0.3,速度更新倍数为2。
如图3所示,以分解卫星云图红外通道1台风云图第二层第一个方向为例,
归一化后信息墒:0.2182
归一化后梯度值:0.2502
归一化后信噪比:0.2639
优化后的最大值:0.4207
a=0.5104;b=0.1836;c=0.3060;
得出进化代数1-100代的优化适应值曲线。最后对融合后的高频系数和低频系数进行NSCT逆变换,进行图像重构,所得到的重构图像即为融合图像。
如图4所示,为了客观地评价以上图像的融合效果,本发明分别计算了以上融合图像的联合熵、平均相关系数、平均梯度和峰值信噪比。其中联合熵表示融合图像信息丰富程度的测度,一般该值越大越好;平均相关系数表示融合图像与源图像相关程度的度量,该值越接近1说明融合后图像与源图像越接近;平均梯度反映融合后图像清晰度的量,该值越大说明融合后图像越清晰,融合效果越好;峰值信噪比反映融合图像的信息量和噪声之间关系的量,一般该值越高说明融合效果和质量越好。下表表示各类融合方法的客观评价指标值:
由上表可知,本发明算法总体上在图像信息熵保持以及丰富程度上有比较明显的优势,并且清晰度也比其它方法好。
实施例2:
如图5所示,为了更进一步地说明本发明算法的有效性,本发明将再做一组实验。实验的源图像分别来源于2007年8月16日4点30分(北京时间)中国风云2号C卫星发回来的卫星云图红外通道2台风云图和可见光台风云图的部分截取图像。大小都是200×200像素。同理,为了客观地评价以上图像的融合效果,我们仍然对融合后的图像求解联合熵、平均相关系数、平均梯度和峰值信噪比。并对这些参数进行深入分析。具体的相关数据如下:
如图6所示,以分解卫星云图红外通道1台风云图的第二层第一个方向为例,
归一化后信息墒:0.2378
归一化后梯度值:0.2616
归一化后信噪比:0.2606
优化后的最优值:0.3867
a=0.6553;b=0.2661;c=0.0786;
得出进化代数1-100代的优化适应值曲线。最后对融合后的高频系数和低频系数进行NSCT逆变换,进行图像重构,所得到的重构图像即为融合图像。
如图7所示,为了客观地评价以上图像的融合效果,本发明分别计算了以上融合图像的联合熵、平均相关系数、平均梯度和峰值信噪比。其中联合熵表示融合图像信息丰富程度的测度,一般该值越大越好;平均相关系数表示融合图像与源图像相关程度的度量,该值越接近1说明融合后图像与源图像越接近;平均梯度反映融合后图像清晰度的量,该值越大说明融合后图像越清晰,融合效果越好;峰值信噪比反映融合图像的信息量和噪声之间关系的量,一般该值越高说明融合效果和质量越好。下表表示各类融合方法的客观评价指标值:
由上表可知,本发明算法在联合熵方面要比传统经典融合方法像素最大值法和DB小波变换融合方法好的多,而且相关系数也比较好,特别是在融合图像的平均梯度上要比其它方法都好,说明本发明图像融合算法更能保持图像的清晰度。对于噪声的抑制程度通过峰值信噪比可以看出本发明算法的融合图像对融合噪声的控制方面也比传统方法好。
通过上述两组实验说明本发明算法能够很好的实现图像融合,不仅在图像信息丰富程度上比传统方法好,而且能够保持融合后图像的清晰度,这将对融合后图像的后续工作起到很大的帮助。
本发明基于NSCT变换和粒子群优化算法相结合的多通道台风云图融合是一种全新的台风云图融合方法,通过实验可以知道,该方法比起传统图像融合方法在保持融合后图像信息量和清晰度方面有明显的提高,对于台风图红外图像和可见光图像融合来说,本发明算法在实现两者很好融合的同时,在融合后图像上能够更清晰地保持台风眼和云系细节信息,该优点对于以后做进一步的台风中心定位或强度预报等有很大的帮助。虽然本发明是针对提高台风中心定位精度的特点而设计的,但是根据不同的应用领域,本发明经过适当的修改同样可以适用于其他相关图像处理领域。
Claims (6)
1.基于NSCT和粒子群优化算法的台风云图融合方法,其特征在于,具体步骤如下:
步骤1.对台风云图A和台风云图B进行配准;
步骤2.分别对台风云图A和台风云图B进行NSCT,得到NSCT域相应图像的低频和高频变换系数;
步骤3.对变换后得到的低频系数进行平均方法融合处理:
步骤4.对待融合的高频系数图像首先计算其信息熵(E)、平均梯度(G)和信噪比(S),然后用粒子群算法,即PSO优化算法求解最大值,通过设定好粒子群初始化种群规模,最大进化代数和速度更新倍数的参数来匹配参数并得到相应的权重参数a,b,c,对待融合图像的对应层的高频系数图像的优化最大值进行比较,将较大的优化最值对应的高频系数作为最终融合图像对应层的高频系数,最后得到最终的融合高频系数,其中PSO算法的适应值按照下式构造:
f(a,b,c)=a×E+b×G+c×S
其中:权重参数a,b,c均在0-1之间且a+b+c=1;E,G,S分别表示归一化后的信息熵、平均梯度和信噪比;
步骤5.对融合后的高频系数和低频系数进行NSCT逆变换,进行图像重构,所得到的重构图像即为融合图像。
2.如权利要求1所述的基于NSCT和粒子群优化算法的台风云图融合方法,其特征在于,所述台风云图A和台风云图B进行精确的配准所采用的是基于曲率形状表示和粒子群算法的图像配准方法,其主要步骤包括:
步骤1:通过CSS角点检测方法对参考图像和待配准图像提取特征角点;
步骤2:用各图像的特征角点的角度信息,灰度信息,相对距离信息以及归一化互相关信息来实现参考图像和待配准图像特征角点的匹配;
步骤3:应用粒子群算法对两幅图像的匹配角点对来精确求取参考图像和待配准图像的配准仿射变换参数,实现两幅图像的配准。
3.如权利要求1所述的基于NSCT和粒子群优化算法的台风云图融合方法,其特征在于,所述融合方法的步骤2中的NSCT由非抽样塔式结构和非抽样方向滤波器组构成,非抽样塔式结构的基本结构单元为一个双通道的非抽样滤波器组,为了用非抽样塔式结构实现对2维信号的多尺度分解,通过迭代使用非抽样的二通道滤波器组实现信号的塔式分解,对于第2级分解,通过对二通道滤波器组中所有的滤波器系数沿行、列方向进行二插值得到,一个k级的非抽样塔式分解结构其等效的滤波器为
4.如权利要求1所述的基于NSCT和粒子群优化算法的台风云图融合方法,其特征在于,所述融合方法的步骤4中用粒子群算法,即PSO优化算法求解最大值具体的步骤如下:
1)初始化一个规模为N的粒子群,设定初始位置和速度;
2)计算每个粒子的适应值;
3)对每个粒子将其适应值和其经历过的最大值位置的适应值进行比较,若较大,则将其作为当前最大值位置;
4)对每个粒子将其适应值和全局经历过的最大值位置的适应值进行比较,若较大,则将其作为当前全局最大值位置;
5)对当前所有粒子的位置和速度进行更新;
6)如果达到预定进化代数后,则输出解,否则返回2)。
5.如权利要求4所述的基于NSCT和粒子群优化算法的台风云图融合方法,其特征在于,粒子群算法采用如下配置:种群规模N为60,进化代数为100,最大限制速度为0.3,速度更新倍数为2。
6.如权利要求3所述的基于NSCT和粒子群优化算法的台风云图融合方法,其特征在于,所述步骤的分解过程中向量为非下抽样的Contourlet变换分解三层,每层对应的方向数目为{0,2,4},滤波器采用锥体滤波方向滤波器组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010620881A CN102063715B (zh) | 2010-12-25 | 2010-12-25 | 基于非抽样contourlet变换和粒子群优化算法的台风云图融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010620881A CN102063715B (zh) | 2010-12-25 | 2010-12-25 | 基于非抽样contourlet变换和粒子群优化算法的台风云图融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102063715A true CN102063715A (zh) | 2011-05-18 |
CN102063715B CN102063715B (zh) | 2012-09-26 |
Family
ID=43998979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010620881A Expired - Fee Related CN102063715B (zh) | 2010-12-25 | 2010-12-25 | 基于非抽样contourlet变换和粒子群优化算法的台风云图融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102063715B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102236891A (zh) * | 2011-06-30 | 2011-11-09 | 北京航空航天大学 | 基于轮廓波变换及自由搜索微分进化的多光谱融合方法 |
CN102938146A (zh) * | 2012-08-14 | 2013-02-20 | 中山大学 | 基于j-散度的多源遥感影像自动配准方法 |
CN105974495A (zh) * | 2016-04-29 | 2016-09-28 | 中国科学院遥感与数字地球研究所 | 利用分类拟合法预判目标区域未来平均云量的方法 |
CN107871155A (zh) * | 2016-09-28 | 2018-04-03 | 成都理工大学 | 一种基于粒子群算法的光谱重叠峰分解方法 |
CN109447946A (zh) * | 2018-09-26 | 2019-03-08 | 中睿通信规划设计有限公司 | 一种架空通信光缆异常检测方法 |
CN109767458A (zh) * | 2018-12-21 | 2019-05-17 | 西北大学 | 一种半自动分段的顺序优化配准方法 |
CN109886354A (zh) * | 2019-03-06 | 2019-06-14 | 国家卫星海洋应用中心 | 风场融合方法及装置 |
CN110031847A (zh) * | 2018-09-29 | 2019-07-19 | 浙江师范大学 | 小波变换和支持向量机结合雷达反射率的动态短临定量降水估测方法 |
CN110750689A (zh) * | 2019-10-30 | 2020-02-04 | 北京大学 | 一种多图融合方法 |
CN110764529A (zh) * | 2019-10-21 | 2020-02-07 | 邓广博 | 基于目标定位大数据的飞行方向修正平台、方法及存储介质 |
CN112019758B (zh) * | 2020-10-16 | 2021-01-08 | 湖南航天捷诚电子装备有限责任公司 | 一种机载双目头戴夜视装置使用方法与夜视装置 |
CN112991403A (zh) * | 2019-12-02 | 2021-06-18 | 深圳市恩普电子技术有限公司 | 一种图像配准方法和装置 |
CN113240616A (zh) * | 2021-05-27 | 2021-08-10 | 云南大学 | 一种脑部医学图像融合方法及系统 |
CN117830125A (zh) * | 2024-03-04 | 2024-04-05 | 厦门微图软件科技有限公司 | 一种快速多聚焦融合算法 |
-
2010
- 2010-12-25 CN CN201010620881A patent/CN102063715B/zh not_active Expired - Fee Related
Non-Patent Citations (3)
Title |
---|
《计算机工程与应用》 20041231 刘凯,黄峰,寇正 基于纹理和区域特征的台风卫星云图分割方法 第219-220页 1-6 , 2 * |
《计算机应用》 20100630 金明星,张长江 台风云图伪彩色增强的Berkeley小波变换法 第1602-1605 1-6 第30卷, 第6期 2 * |
《遥感学报》 20100531 鲁娟, 张长江,张翔,杨波,端木春江 利用边界特征自动识别台风云系 第990-1003 1-6 第14卷, 第5期 2 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102236891A (zh) * | 2011-06-30 | 2011-11-09 | 北京航空航天大学 | 基于轮廓波变换及自由搜索微分进化的多光谱融合方法 |
CN102938146A (zh) * | 2012-08-14 | 2013-02-20 | 中山大学 | 基于j-散度的多源遥感影像自动配准方法 |
CN105974495A (zh) * | 2016-04-29 | 2016-09-28 | 中国科学院遥感与数字地球研究所 | 利用分类拟合法预判目标区域未来平均云量的方法 |
CN105974495B (zh) * | 2016-04-29 | 2019-09-06 | 中国科学院遥感与数字地球研究所 | 利用分类拟合法预判目标区域未来平均云量的方法 |
CN107871155A (zh) * | 2016-09-28 | 2018-04-03 | 成都理工大学 | 一种基于粒子群算法的光谱重叠峰分解方法 |
CN107871155B (zh) * | 2016-09-28 | 2021-02-02 | 成都理工大学 | 一种基于粒子群算法的光谱重叠峰分解方法 |
CN109447946A (zh) * | 2018-09-26 | 2019-03-08 | 中睿通信规划设计有限公司 | 一种架空通信光缆异常检测方法 |
CN109447946B (zh) * | 2018-09-26 | 2021-09-07 | 中睿通信规划设计有限公司 | 一种架空通信光缆异常检测方法 |
CN110031847B (zh) * | 2018-09-29 | 2022-08-23 | 浙江师范大学 | 小波变换和支持向量机结合雷达反射率的动态短临定量降水估测方法 |
CN110031847A (zh) * | 2018-09-29 | 2019-07-19 | 浙江师范大学 | 小波变换和支持向量机结合雷达反射率的动态短临定量降水估测方法 |
CN109767458B (zh) * | 2018-12-21 | 2023-01-20 | 西北大学 | 一种半自动分段的顺序优化配准方法 |
CN109767458A (zh) * | 2018-12-21 | 2019-05-17 | 西北大学 | 一种半自动分段的顺序优化配准方法 |
CN109886354A (zh) * | 2019-03-06 | 2019-06-14 | 国家卫星海洋应用中心 | 风场融合方法及装置 |
CN110764529A (zh) * | 2019-10-21 | 2020-02-07 | 邓广博 | 基于目标定位大数据的飞行方向修正平台、方法及存储介质 |
CN110764529B (zh) * | 2019-10-21 | 2020-07-21 | 安徽诺乐知识产权服务有限公司 | 基于目标定位大数据的飞行方向修正平台、方法及存储介质 |
CN110750689A (zh) * | 2019-10-30 | 2020-02-04 | 北京大学 | 一种多图融合方法 |
CN112991403A (zh) * | 2019-12-02 | 2021-06-18 | 深圳市恩普电子技术有限公司 | 一种图像配准方法和装置 |
CN112019758B (zh) * | 2020-10-16 | 2021-01-08 | 湖南航天捷诚电子装备有限责任公司 | 一种机载双目头戴夜视装置使用方法与夜视装置 |
CN113240616A (zh) * | 2021-05-27 | 2021-08-10 | 云南大学 | 一种脑部医学图像融合方法及系统 |
CN117830125A (zh) * | 2024-03-04 | 2024-04-05 | 厦门微图软件科技有限公司 | 一种快速多聚焦融合算法 |
CN117830125B (zh) * | 2024-03-04 | 2024-06-04 | 厦门微图软件科技有限公司 | 一种快速多聚焦融合算法 |
Also Published As
Publication number | Publication date |
---|---|
CN102063715B (zh) | 2012-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102063715B (zh) | 基于非抽样contourlet变换和粒子群优化算法的台风云图融合方法 | |
CN102521818B (zh) | 一种基于nsct的sar图像和可见光图像的融合方法 | |
CN111948654B (zh) | 机载层析sar三维点云生成方法 | |
CN112488924B (zh) | 一种图像超分辨率模型训练方法、重建方法及装置 | |
CN101303764B (zh) | 基于非下采样轮廓波的多传感器图像自适应融合方法 | |
CN101504766B (zh) | 基于混合多分辨率分解的图像融合方法 | |
CN102063713B (zh) | 基于邻域归一化梯度和邻域标准差的多聚焦图像融合方法 | |
CN102800074B (zh) | 基于轮廓波变换的sar图像变化检测差异图生成方法 | |
CN105139367A (zh) | 一种基于非下采样剪切波的可见光偏振图像融合方法 | |
CN102163329A (zh) | 基于尺度类推的单幅红外图像的超分辨率重建方法 | |
CN103839243B (zh) | 基于Shearlet变换的多通道卫星云图融合方法 | |
CN102436652A (zh) | 一种多源遥感图像自动配准方法 | |
CN101478693A (zh) | 一种对星载光学遥感图像压缩质量进行评价的方法 | |
CN102879822A (zh) | 一种基于Contourlet变换的地震多属性融合方法 | |
CN101359399B (zh) | 光学图像去云方法 | |
CN101404084A (zh) | 基于Wavelet和Curvelet变换的红外图像背景抑制方法 | |
CN102142136A (zh) | 基于神经网络的声纳图像的超分辨率重建方法 | |
CN105741333B (zh) | 一种Video-SAR图像实时压缩重构方法 | |
CN103400383A (zh) | 基于nsct和压缩投影的sar图像变化检测方法 | |
CN102750705A (zh) | 基于图像融合的光学遥感图像变化检测 | |
CN105335972A (zh) | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 | |
CN109345481A (zh) | 一种用于航天光学遥感图像的量子优化方法 | |
CN107977944A (zh) | 一种估测npp遥感图像数据生成方法 | |
CN103065291A (zh) | 基于提升小波变换和像素区域相关性的图像融合方法 | |
CN112669249A (zh) | 结合改进nsct变换和深度学习的红外与可见光图像融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120926 Termination date: 20171225 |